Hierarchical federated learning using access permissions
PulseAugur coverage of Hierarchical federated learning using access permissions — every cluster mentioning Hierarchical federated learning using access permissions across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
贝叶斯优化优化用于植物病害分类的联邦学习
研究人员开发了一个约束贝叶斯优化框架，用于在物联网网络中高效配置用于植物病害分类的分层联邦学习（HFL）。该方法在考虑能耗、执行时间和预测性能的同时，优化了深度学习架构、聚合策略和通信轮次。该框架通过探索一小部分搜索空间成功识别出近乎最优的解决方案，证明了其在资源受限的智慧农业环境中的有效性。
-
新的H-FedSN方法提升了物联网的联邦学习性能
研究人员开发了H-FedSN，一种专为物联网（IoT）应用设计的层级联邦学习新方法。该方法通过采用个性化稀疏网络和具有beta分布更新的贝叶斯聚合来解决通信效率低下和数据异构性等挑战。实验表明，H-FedSN可以将通信成本显著降低高达477倍，同时在各种数据集上保持高精度，使其适用于实际的IoT部署。
-
新框架解决分层联邦学习中的数据异质性问题
研究人员开发了一个新的分层联邦学习框架，以解决不同集群之间数据异质性问题。提出的DC-HierSignSGD算法使用基于二进制符号的随机梯度下降，并结合云辅助校正机制来减轻偏差，提高模型的稳定性和准确性。该方法旨在实现与全精度方法相当的性能，同时显著降低通信开销，尤其是在大规模物联网系统中。
-
HEART框架解决了车辆AI的多模型训练问题
研究人员开发了一个名为HEART的新框架，以解决车-边-云协同分层联邦学习（HFL）中多模型训练的挑战。该框架旨在最小化全局训练延迟并确保跨不同任务的资源均衡分配，这是一个复杂的NP-hard问题。HEART采用混合同步-异步聚合规则和涉及进化算法与贪婪法的两阶段方法来进行任务调度和优先级排序。实验表明，HEART在动态VEC-HFL环境中优于现有方法。
-
分层联邦学习框架重新定义网络化AI设计
本文提出分层联邦学习（HFL）作为一种面向架构感知的网络化AI设计框架，超越了其作为通信节省协议的常见表述。作者认为，HFL应围绕三个轴组织：架构参数、层级优化分解和层级通信实现。他们证明了HFL中的收敛性依赖于架构，并受所选层级、优化角色和通信机制的影响。
-
新研究推动联邦学习在隐私和异构性方面的进展
研究人员正在开发新的方法来改进联邦学习，这是一种允许模型在不损害隐私的情况下对去中心化数据进行训练的技术。几篇论文介绍了处理数据异构性的新算法，例如用于随机森林的FedForest和用于物联网系统中客户端选择的VARS-FL。其他工作侧重于通过共识嵌入进行隐私保护推理以及用于联邦图神经网络的鲁棒方法。此外，正在探索新的理论框架来限制泛化误差并激励联邦环境中的客户端贡献。